运动目标跟踪技术在军事和民用等领域具有广泛的应用前景。但由于应用环境的复杂性,跟踪过程中目标容易受到部分或全部遮挡、外观变化、姿态变化、光照变化、平面内旋转等综合因素的影响,给跟踪技术的发展带来了极大的困难。　　 本文对基于稀疏表示的复杂场景下运动目标跟踪问题进行研究,将特征点检测、匹配等一系列算法与目前流行的图像稀疏表示理论相结合,提升了传统跟踪器的鲁棒性。本文完成的主要工作和贡献有:　　 1、提出了两种关键点相关算法:基于稀疏表示的关键点误匹配去除算法以及基于在线字典学习的目标矩形区域背景特征点去除算法。利用带有上下文信息的关键点所在区域图像样本之间的稀疏性用以代替传统上基于统计的RANSAC方法以及去除目标矩形区域内混入的背景特征点。　　 2、提出了一种目标结构化表示方法以及跟踪过程中目标结构的调整算法。该方法使得目标在发生部分遮挡的情况下也能根据目标的部分信息获得较为准确的目标中心。　　 3、提出了一种结合了判别模型与生成模型的粒子滤波观察模型与转移模型。代替传统的使用高斯分布的观察模型。使得基于目标结构信息的转移模型能够引导粒子采样,并使得粒子的采样更有效率,基于局部稀疏表示的观察模型能够为跟踪提供更好的判别性。　　 将本文提出的算法应用于单目标跟踪,并采用通用的单目标跟踪测试集进行测试,并与近期提出的效果较好、较有代表性的六种单目标跟踪算法进行对比,对比实验表明本文提出的算法在平均偏移距离上优于其它的六类算法,属于性能较为稳定的一种跟踪算法。